שימוש בנתונים גדולים כדי לשפר את תהליכי קבלת ההחלטות של עיצוב שלי

בתעשיית הכרייה, נפח הנתונים שנוצרים מחיפוש, קידוח, סקרים גיאוטכניים ומערכות תפעוליות צמחו באופן אקספונציאלי.כאשר רתמה ביעילות, נתונים גדולים אלה משנים את עיצובי בתהליך מבוסס אינטואיציה במידה רבה לתוך משמעת מבוססת נתונים המונעת על ידי נתונים, ומשפרת את התוצאות של החלטות עיצוב מכרה מודרני - החל מזווית של מדרונות המשמשים לפריסת כבישים - עכשיו להסתמך על terabytes גיאולוגיים של חיישנים, בדיקות מידע אנליטיים, ובדיקה של שיטות תכנון מתקדמות, כיצד יישומים, כיצד מודלים של נתונים ובדיקה של שיטות תכנון.

מקור: Data מקורות בעיצוב שלי

עיצוב שלי תלוי באפיון מדויק של הגוף, התנאים הגיאולוגיים, והמגבלות הסביבתיות.הצעד הראשון בהפחתת נתונים גדולים הוא איסוף מידע באיכות גבוהה ממקורות רבים:

• (FLT:0)Exploration קידוח ו- Assay data:cioFLT) 1 ביומני קידוח היסטוריים, אסימונים גיאוכימיים, וסקרים גיאופיזיקה מספקים את החומר הגולמי עבור מודלים של משאבים.
• (FLT:0) חיישנים ניטור של In-itu:FLT:1); מכשירים גיאוטכניים (מעגלים, מדמונים, אינקלמונים) מייצרים זרמים רצופים על התנהגות המונית של סלע.
• (FLT:0)Remote sensing ורחפנים:03FLT) 1 LiDAR, photogrammetry, ו- Hyperspectral הדמיה ללכוד שטח ותכונות מבניות ברזולוציה גבוהה.
• (FLT:0) נתוני תפעול:FLT:1 ציוד טלמטרי, חומרי ייצור ורשומות תחזוקה לחשוף דפוסי ביצועים בזמן אמת.
• (FLT:0) נתונים של חינוך:FLT:1 תחנות מזג אוויר, ניטור מים קרקעיים ורשתות סיסמית להוסיף הקשר למגבלות עיצוב.

מכרות מודרניות מייצרים נתונים במחירים העולה בקנה מידה של קטוואט מדי שנה.האתגר אינו ברכישה אלא באינטגרציה - תוך שימוש בפורמטים נפרדים, קשקשים והחלטות זמניות לייצוג דיגיטלי משותף של אתר האינטרנט שלי.

מתוך Raw Data to Digital Twins

שילוב של מקורות אלה מוביל ליצירת תאומים דיגיטליים - דינמיקה, מעודכן באופן רציף העתק וירטואלי של מכרה.תאומים דיגיטליים מאפשרים למהנדסים להפעיל סימולציות על חלופות עיצוב ללא סיכון פיזי.לדוגמה, תאום דיגיטלי יכול לדמות את ההשפעה של שינוי זווית מדרדרון על אוזת התאוששות ויציבות מדרדרדרון, תוך שימוש בנתונים היסטוריים של עקירת מודלים של כשלים.

החלטות עיצוב נהיגה אנליטית

הנתונים של Raw חייבים להפוך לתובנות מעשיות.הארסנל האנליטי הליבה של נתונים גדולים בעיצוב שלי כולל למידת מכונה, גיאוטטיסטים, מערכות מידע גיאוגרפיות (GIS), ואלגוריתמים אופטימיזציה.

Machine Learning for Predictive Modeling

אלגוריתמי למידה לא מבוקרים מזהים מערכות יחסים מורכבות, לא לינאריות שתוקפנות מסורתית עשויה להחמיץ.יישומים משותפים כוללים:

• (ב) ⁇ :0) ⁇ ⁇ : ⁇ : ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
• (FLT:0) סיווג סיכונים גיאוטכני: FIRLT:1) מודלים ביערות אקראיים מסווגים איכות מסת סלע של יומני עקרבות ומדידות הפסקת.
• (FLT:0) חיזוי הפרשת הזעם: FLT:1 Gradient מאיץ מודלים חיזוי גודל הפיצוץ על בסיס פרמטרים עיצוב פיצוץ ותכונות סלע.

מודלים אלה דורשים מאגרי מידע גדולים ואימות זהירה.מחקר מקרה במכרות זהב אוסטרלי הראה כי (FLT:0) למידה עמוקה החלת על תרגיל תמונות הליבהFLT:1 שיפור דיוק זיהוי השברים ב-40% בהשוואה לפרשנות ידנית, המשפיעה ישירות על עיצובי יציבות בורות.

Geostatistics ו- Spatial Analysis

שיטות גיאוסטאלי קלאסיות -variography, קרירינג וסימולציה מותנית - נשאר בסיס. עם זאת, נתונים גדולים מאפשרים פרמטר estimation על רשתות קנס יותר ועם מבנים גדולים יותר של covariance. חבילות תוכנה מודרנית משלבות מחשוב ביצועים גבוהים כדי לעדכן שוב ושוב לחסום מודלים כמו זרמי מחקר חדשים ב.This זה גישה הרהרטיבית מפחיתה את הזמן כדי להשלים את עתודות שלי מחודשים שבועות עד שבועות.

GIS אינטגרציה ואופטימיזציה ספארית

מערכות מידע גיאוגרפיות, גיאוטכניות, ותשתיות כדי לדמיין מגבלות בשילוב עם אלגוריתמים אופטימיזציה, GIS יכול ליצור פגזים בורות הממקסמים את הערך הנוכחי הנקי תוך סיפוק זווית המדרונות ומגבלות מרחק.FLT:0Esri של פתרונות כרייה של 1 אומץ באופן נרחב למטרה זו, ומאפשרות עדכון בזמן אמת של עיצובים כנתוני מחקר חדשים מגיע.

יתרונות המימוש באמצעות עיצוב של Mine Data-Driven

ארגונים המחויבים לשלב נתונים גדולים לתוך זרימות עבודה עיצוב מדווחים על שיפורים מוחשיים במספר ממדים.

ביצועים משופרים של בטיחות

ניתוח חיזוי תהליך נתוני אירוע היסטורי, יומני סיכון גיאוטכני, והזנת חיישן בזמן אמת לייצר מפות סיכון.לדוגמה, ירידה בשיעורי העקירה המעקבים על ידי מכ"ם בתוך תא יכול לגרום התראות אוטומטיות עבור עיצובים נוספים לפני התרחשות.מכרה גדולה בצ'ילה הפחיתה את אירועי הכשלונות חמורים על ידי 60% לאחר יישום מערכת חיזוי כישלונות מבוססת מחשב - תוצאה קשורה ישירות לשינויים המיודעים על ידי נתונים גדולים.

יעילות ואופטימיזציה של משאבים

מודלים של אפליה Ore-waste למזער dilution ו או אובדן, המוביל לדרגות מילימטר גבוה יותר. ככלל של אצבע, ירידה של 1% בדילולציה יכולה להניב חיסכון של מיליוני דולרים בשנה במבצע גדול פתוח.בנוסף, עיצובי פיצוץ אופטימיזציה המבוססים על מודלים של פירוק חלקיקים להפחית עלויות הפריצה משנית ולשפר את מחץ באמצעותput.

בסביבה הקרובה של Stewardship

נתונים גדולים מאפשרים מודלים מדויקים יותר של איזון מים על ידי שילוב תחזיות גשם, תשואות, ו זנבות פרופילים של פוזיציה. שלי סגירת עיצובים - אשר צורה של הקרקעות הסופיות - עלייה מטופוגרפיה גבוהה ונתוני צמחייה.התוצאה היא עיצובים כי להפחית את הסיכון לניקוז רוק חומצי ומאפשרים שיקום מהיר יותר.

שיפור מדיניות המילואים

סימולציה מותנית שמתממשת על פלטפורמות נתונים גדולות כמצמת אי הוודאות בסיווג משאבים.עיצובים המבוססים על מודלים פרוביביליסטיים ולא על הערכות חד-פעמיות של בניית יתר של עיבוד או תחת העלאה של מאגרי מידע.משקיעים דורשים יותר ויותר הערכות שקופה, ממוקדות נתונים.

הגדרות לאימוץ ואסטרטגיות מייגציה

למרות יתרונות ברורים, חברות כרייה רבות נאבקות לעבור מפרויקטים של טייס לשילוב נתונים ארגוני.אתגרים משותפים כוללים:

• (FLT:0Data Quality andנקיות:FLT:1ig Databases לעתים קרובות מכיל פערים, חוסר עקביות, ושינויים במערכות לתאם נתונים אוטומטיים.
• (FLT:0) השקעה גבוהה מעלה: 1 חיישנים, רישיונות תוכנה, תשתיות IT וכוח אדם מיומן דורש הון משמעותי.שלב רולטים כי לכוון את ההחלטות בעלות הערך הגבוה ביותר (למשל, עיצוב מדרדרון או שליטה בכיתה) יכול להפגין את ROI במהירות.
• (FLT:0) skillמחסור: FLT:1 מדעני נתונים עם ידע כרייה דומיין הם נדירים. geologist בניהול צלב ב Python וסטטיסטיקה, וגיוס מהנדסים עם רקעים מדעיים נתונים, גשרים הפער הזה.
• (FLT:0) Change Management:miaFLT:1) מהנדסים שהורגלו לשיטות ⁇ עשויים לא לבטוח במודלים של ארגז שחור.Build שקוף, מודלים מפרשים, כולל משתמשי קצה בפיתוח מטפח אימוץ.

מחקרים מוצלחים של מכורים מובילים כגון ריו טינטו, BHP ו- Newmont מראים כי משרד טרנספורמציה דיגיטלית ייעודי ותרבות "מסלול מהיר" מאיץ את הלמידה.FLT:0Deloitte של מסגרת הבגרות הדיגיטלית כרייה דיגיטלית FLT:1 מציע מפת דרכים לטלטלת מחסומים אלה באופן שיטתי.

עיצוב עתידי: עיצוב חכם ואוטונומי

ההתכנסות של מספר טכנולוגיות מתפתחות להעמיק את תפקידו של נתונים גדולים בעיצוב שלי בעשור הבא.

אינטרנט של דברים ו-Timeסטרימינג

רשתות חיישן אלחוטיות המכסות קירות בור, חפירות תת-קרקעיות, וסכרי זנב יספקו זרמי נתונים של תת-רגע. Edge מחשוב יעבדו מראש נתונים באופן מקומי, יפחיתו את הגמישות עבור משוב עיצוב.

Reinforcement Learning for Dynamic Optimization

במקום עיצובים סטטיים, סוכני למידה חיזוק יכולים להציע רצפים מתאימים אשר מגיבים להתמוטטות ציוד, וריאציות ציונים, או שינויי מחיר שוק.מחקר מוקדם על ידי FLT:0scientists באוניברסיטת Delft של טכנולוגיהFLT:1 מראה כי למידה חיזוק יכול לשפר את הערך הנוכחי של הכרייה על ידי שינוי דינמי של רצפי החילוץ והובלת routing.

שילוב של מציאות מורחבת ו-LDAR

מהנדסי עיצוב יעכבו עיצובים דיגיטליים באתרי מכרה פיזיים באמצעות ראשי AR, תוך שימוש משוב LiDAR בזמן אמת כדי לזהות סטייה.הההתקפה הדוקה זו בין כוונת עיצוב למציאות הבנויה מקטין את העבודה היקרה ומשפרת את הבטיחות במהלך שלב הבנייה.

מסקנה

נתונים גדולים כבר לא מושג עתידני בעיצוב שלי; זהו כלי מעשי המפחית את אי הוודאות, משפר את הבטיחות, ומשפר את הרווחיות.אינטגרציה מוצלחת דורשת לא רק השקעה טכנולוגית אלא גם שינוי תרבותי לקראת קבלת החלטות נתונים.כפי שנתוני הנתונים גדלים ושיטות אנליטיות מתבגרים, תהליך העיצוב שלי יהיה יותר צפוי, הסתגלות ויעיל יותר.